abstrait：“入門”是良好的動(dòng)機(jī)，但是可能作用緩慢。如果你手里或者腦子里有一個(gè)項(xiàng)目，那么實(shí)踐起來你會(huì)被目標(biāo)驅(qū)動(dòng)，而不會(huì)像學(xué)習(xí)模塊一樣慢慢學(xué)習(xí)。另外如果說知識(shí)體系里的每一個(gè)知識(shí)點(diǎn)是圖里的點(diǎn)，依賴關(guān)系是邊的話，那么這個(gè)圖一定不是一個(gè)有向無環(huán)圖。因?yàn)閷W(xué)習(xí)A的經(jīng)驗(yàn)可以幫助你學(xué)習(xí)B。因此，你不需要學(xué)習(xí)怎么樣“入門”，因?yàn)檫@樣的“入門”點(diǎn)根本不存在！你需要學(xué)習(xí)的是怎么樣做一個(gè)比較大的東西，在這個(gè)過程中，你會(huì)很快地學(xué)會(huì)需要

“入門”是良好的動(dòng)機(jī)，但是可能作用緩慢。如果你手里或者腦子里有一個(gè)項(xiàng)目，那么實(shí)踐起來你會(huì)被目標(biāo)驅(qū)動(dòng)，而不會(huì)像學(xué)習(xí)模塊一樣慢慢學(xué)習(xí)。

另外如果說知識(shí)體系里的每一個(gè)知識(shí)點(diǎn)是圖里的點(diǎn)，依賴關(guān)系是邊的話，那么這個(gè)圖一定不是一個(gè)有向無環(huán)圖。因?yàn)閷W(xué)習(xí)A的經(jīng)驗(yàn)可以幫助你學(xué)習(xí)B。因此，你不需要學(xué)習(xí)怎么樣“入門”，因?yàn)檫@樣的“入門”點(diǎn)根本不存在！你需要學(xué)習(xí)的是怎么樣做一個(gè)比較大的東西，在這個(gè)過程中，你會(huì)很快地學(xué)會(huì)需要學(xué)會(huì)的東西的。當(dāng)然，你可以爭(zhēng)論說需要先懂python，不然怎么學(xué)會(huì)python做爬蟲呢？但是事實(shí)上，你完全可以在做這個(gè)爬蟲的過程中學(xué)習(xí)python :D

看到前面很多答案都講的“術(shù)”——用什么軟件怎么爬，那我就講講“道”和“術(shù)”吧——爬蟲怎么工作以及怎么在python實(shí)現(xiàn)。

先長(zhǎng)話短說summarize一下：
你需要學(xué)習(xí)

基本的爬蟲工作原理

基本的http抓取工具，scrapy

Bloom Filter: Bloom Filters by Example

如果需要大規(guī)模網(wǎng)頁抓取，你需要學(xué)習(xí)分布式爬蟲的概念。其實(shí)沒那么玄乎，你只要學(xué)會(huì)怎樣維護(hù)一個(gè)所有集群機(jī)器能夠有效分享的分布式隊(duì)列就好。最簡(jiǎn)單的實(shí)現(xiàn)是python-rq: https://github.com/nvie/rq

rq和Scrapy的結(jié)合：darkrho/scrapy-redis · GitHub

后續(xù)處理，網(wǎng)頁析取(grangier/python-goose · GitHub)，存儲(chǔ)(Mongodb)

以下是短話長(zhǎng)說：

說說當(dāng)初寫的一個(gè)集群爬下整個(gè)豆瓣的經(jīng)驗(yàn)吧。

1）首先你要明白爬蟲怎樣工作。
想象你是一只蜘蛛，現(xiàn)在你被放到了互聯(lián)“網(wǎng)”上。那么，你需要把所有的網(wǎng)頁都看一遍。怎么辦呢？沒問題呀，你就隨便從某個(gè)地方開始，比如說人民日?qǐng)?bào)的首頁，這個(gè)叫initial pages，用$表示吧。

在人民日?qǐng)?bào)的首頁，你看到那個(gè)頁面引向的各種鏈接。于是你很開心地從爬到了“國內(nèi)新聞”那個(gè)頁面。太好了，這樣你就已經(jīng)爬完了倆頁面（首頁和國內(nèi)新聞）！暫且不用管爬下來的頁面怎么處理的，你就想象你把這個(gè)頁面完完整整抄成了個(gè)html放到了你身上。

突然你發(fā)現(xiàn)， 在國內(nèi)新聞這個(gè)頁面上，有一個(gè)鏈接鏈回“首頁”。作為一只聰明的蜘蛛，你肯定知道你不用爬回去的吧，因?yàn)槟阋呀?jīng)看過了啊。所以，你需要用你的腦子，存下你已經(jīng)看過的頁面地址。這樣，每次看到一個(gè)可能需要爬的新鏈接，你就先查查你腦子里是不是已經(jīng)去過這個(gè)頁面地址。如果去過，那就別去了。

好的，理論上如果所有的頁面可以從initial page達(dá)到的話，那么可以證明你一定可以爬完所有的網(wǎng)頁。

那么在python里怎么實(shí)現(xiàn)呢？
很簡(jiǎn)單

import Queueinitial_page = "http://www.renminribao.com"url_queue = Queue.Queue()seen = set()seen.insert(initial_page)url_queue.put(initial_page)while(True): #一直進(jìn)行直到海枯石爛
    if url_queue.size()>0:
        current_url = url_queue.get()    #拿出隊(duì)例中第一個(gè)的url
        store(current_url)               #把這個(gè)url代表的網(wǎng)頁存儲(chǔ)好
        for next_url in extract_urls(current_url): #提取把這個(gè)url里鏈向的url
            if next_url not in seen:      
                seen.put(next_url)
                url_queue.put(next_url)
    else:
        break

寫得已經(jīng)很偽代碼了。

所有的爬蟲的backbone都在這里，下面分析一下為什么爬蟲事實(shí)上是個(gè)非常復(fù)雜的東西——搜索引擎公司通常有一整個(gè)團(tuán)隊(duì)來維護(hù)和開發(fā)。

2）效率
如果你直接加工一下上面的代碼直接運(yùn)行的話，你需要一整年才能爬下整個(gè)豆瓣的內(nèi)容。更別說Google這樣的搜索引擎需要爬下全網(wǎng)的內(nèi)容了。

問題出在哪呢？需要爬的網(wǎng)頁實(shí)在太多太多了，而上面的代碼太慢太慢了。設(shè)想全網(wǎng)有N個(gè)網(wǎng)站，那么分析一下判重的復(fù)雜度就是N*log(N)，因?yàn)樗芯W(wǎng)頁要遍歷一次，而每次判重用set的話需要log(N)的復(fù)雜度。OK，OK，我知道python的set實(shí)現(xiàn)是hash——不過這樣還是太慢了，至少內(nèi)存使用效率不高。

通常的判重做法是怎樣呢？Bloom Filter. 簡(jiǎn)單講它仍然是一種hash的方法，但是它的特點(diǎn)是，它可以使用固定的內(nèi)存（不隨url的數(shù)量而增長(zhǎng)）以O(shè)(1)的效率判定url是否已經(jīng)在set中?？上煜聸]有白吃的午餐，它的唯一問題在于，如果這個(gè)url不在set中，BF可以100%確定這個(gè)url沒有看過。但是如果這個(gè)url在set中，它會(huì)告訴你：這個(gè)url應(yīng)該已經(jīng)出現(xiàn)過，不過我有2%的不確定性。注意這里的不確定性在你分配的內(nèi)存足夠大的時(shí)候，可以變得很小很少。一個(gè)簡(jiǎn)單的教程:Bloom Filters by Example

注意到這個(gè)特點(diǎn)，url如果被看過，那么可能以小概率重復(fù)看一看（沒關(guān)系，多看看不會(huì)累死）。但是如果沒被看過，一定會(huì)被看一下（這個(gè)很重要，不然我們就要漏掉一些網(wǎng)頁了?。?[IMPORTANT: 此段有問題，請(qǐng)暫時(shí)略過]


好，現(xiàn)在已經(jīng)接近處理判重最快的方法了。另外一個(gè)瓶頸——你只有一臺(tái)機(jī)器。不管你的帶寬有多大，只要你的機(jī)器下載網(wǎng)頁的速度是瓶頸的話，那么你只有加快這個(gè)速度。用一臺(tái)機(jī)子不夠的話——用很多臺(tái)吧！當(dāng)然，我們假設(shè)每臺(tái)機(jī)子都已經(jīng)進(jìn)了最大的效率——使用多線程（python的話，多進(jìn)程吧）。

3）集群化抓取
爬取豆瓣的時(shí)候，我總共用了100多臺(tái)機(jī)器晝夜不停地運(yùn)行了一個(gè)月。想象如果只用一臺(tái)機(jī)子你就得運(yùn)行100個(gè)月了...

那么，假設(shè)你現(xiàn)在有100臺(tái)機(jī)器可以用，怎么用python實(shí)現(xiàn)一個(gè)分布式的爬取算法呢？

我們把這100臺(tái)中的99臺(tái)運(yùn)算能力較小的機(jī)器叫作slave，另外一臺(tái)較大的機(jī)器叫作master，那么回顧上面代碼中的url_queue，如果我們能把這個(gè)queue放到這臺(tái)master機(jī)器上，所有的slave都可以通過網(wǎng)絡(luò)跟master聯(lián)通，每當(dāng)一個(gè)slave完成下載一個(gè)網(wǎng)頁，就向master請(qǐng)求一個(gè)新的網(wǎng)頁來抓取。而每次slave新抓到一個(gè)網(wǎng)頁，就把這個(gè)網(wǎng)頁上所有的鏈接送到master的queue里去。同樣，bloom filter也放到master上，但是現(xiàn)在master只發(fā)送確定沒有被訪問過的url給slave。Bloom Filter放到master的內(nèi)存里，而被訪問過的url放到運(yùn)行在master上的Redis里，這樣保證所有操作都是O(1)。（至少平攤是O(1)，Redis的訪問效率見:LINSERT – Redis)


考慮如何用python實(shí)現(xiàn)：
在各臺(tái)slave上裝好scrapy，那么各臺(tái)機(jī)子就變成了一臺(tái)有抓取能力的slave，在master上裝好Redis和rq用作分布式隊(duì)列。


代碼于是寫成

#slave.py

current_url = request_from_master()
to_send = []
for next_url in extract_urls(current_url):
    to_send.append(next_url)

store(current_url);
send_to_master(to_send)

#master.py
distributed_queue = DistributedQueue()
bf = BloomFilter()

initial_pages = "www.renmingribao.com"

while(True):
    if request == 'GET':
        if distributed_queue.size()>0:
            send(distributed_queue.get())
        else:
            break
    elif request == 'POST':
        bf.put(request.url)

好的，其實(shí)你能想到，有人已經(jīng)給你寫好了你需要的：darkrho/scrapy-redis · GitHub

4）展望及后處理
雖然上面用很多“簡(jiǎn)單”，但是真正要實(shí)現(xiàn)一個(gè)商業(yè)規(guī)?？捎玫呐老x并不是一件容易的事。上面的代碼用來爬一個(gè)整體的網(wǎng)站幾乎沒有太大的問題。

但是如果附加上你需要這些后續(xù)處理，比如

有效地存儲(chǔ)（數(shù)據(jù)庫應(yīng)該怎樣安排）

有效地判重（這里指網(wǎng)頁判重，咱可不想把人民日?qǐng)?bào)和抄襲它的大民日?qǐng)?bào)都爬一遍）

有效地信息抽?。ū热缭趺礃映槿〕鼍W(wǎng)頁上所有的地址抽取出來，“朝陽區(qū)奮進(jìn)路中華道”），搜索引擎通常不需要存儲(chǔ)所有的信息，比如圖片我存來干嘛...

及時(shí)更新（預(yù)測(cè)這個(gè)網(wǎng)頁多久會(huì)更新一次）

如你所想，這里每一個(gè)點(diǎn)都可以供很多研究者十?dāng)?shù)年的研究。雖然如此，
“路漫漫其修遠(yuǎn)兮,吾將上下而求索”。

所以，不要問怎么入門，直接上路就好了：）